Adaptive und lernende Regelungskonzepte für SMART-e Reaktoren (C05#)

• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik ; Systemverfahrenstechnik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 503850735

Reaktoren der Zukunft sollen verschiedenen Ansprüchen genügen: sie sollen Nachhaltigkeitskriterien entsprechen, vielseitig einsetzbar sein, autonome und adaptive Betriebskonzepte ermöglichen sowie zu Resilienz und Skalierbarkeit beitragen. Daten-getriebenen Methoden der Regelungstechnik kommt in diesem Zusammenhang eine Schlüsselrolle zu: Moderne Verfahren der Regelung optimieren die Performanz in Echtzeit unter Berücksichtigung betrieblicher Nebenbedingungen. Die Verwendung eines Reaktors für mehrere Nutzungszwecke und autonomer Prozessbetrieb können daher vor allen Dingen durch die Integration von datenbasierter und lernender Ansätze in die Regelungskonzepte erreicht werden. Vor diesem Hintergrund erforscht dieses Projekt neuartige, maßgeschneiderte Regelungskonzepte für SMART-e Reaktoren. Wir betrachten zwei zentrale Forschungsfragen: Wie lässt sich ein Mehrzweckbetrieb durch lernende Regelungsverfahren ermöglichen und wie lassen sich Nachhaltigkeit und Resilienz durch daten-getriebene Feedback Optimierung in Einklang bringen? Die erste Fragestellung wird mithilfe einer hybriden Modellierungsstrategie untersucht. Dabei werden physikalisch fundierte Reaktorbeschreibungen mit reaktions- und prozessspezifischen, datengetriebenen Modellkomponenten kombiniert. Ein zentrales Werkzeug sind dabei Methoden basierend auf Hilberträumen mit reproduzierendem Kern (reproducing kernel Hilbert spaces), was flexible Systembeschreibungen für verschiedene Anwendungsfälle ermöglicht. Diese daten-getriebenen Modelle werden dann in optimierungsbasierten und prädiktiven Regelungskonzepten genutzt. Für die zweite Forschungsfrage betrachten wir einen Bayes'schen Ansatz zur Echtzeitoptimierung von SMART-en Reaktoren. Insbesondere untersuchen wir den Einsatz von neuartigen Varianten der Wiener-Kernel-Regression für die Echtzeit-Prozessoptimierung, welche die Berücksichtigung nicht exakt modellierter Prozessbeschränkungen erlauben. Anschließend untersuchen wir, wie bestehende physikalisch-chemisch motivierte Modelle mit Korrekturtermen aus der Kernel-Regression – mit und ohne Unsicherheit in Bezug auf die statistische Verteilung des additiven Messfehlers – kombiniert werden können. Dies führt hin zur expliziten Berücksichtigung von Risikomaßen in der Zielfunktion der Echtzeitoptimierung. Die entwickelten Methoden werden zunächst am ideal durchmischten van de Vusse Schema getestet, bevor Reaktionen aus anderen Teilprojekten des SFB betrachtet werden.

• DFG-Verfahren: Sonderforschungsbereiche
• Teilprojekt zu: SFB 1615: SMARTe Reaktoren für die Verfahrenstechnik der Zukunft
• Antragstellende Institution: Technische Universität Hamburg
• Teilprojektleiter: Professor Dr.-Ing. Timm Faulwasser